批量归一化和辍学订购？- AskGo

批量归一化和辍学订购？

conv-neural-network

neural-network

python

tensorflow

最初的问题是关于TensorFlow实现的。但是，答案是针对一般的实现。这个通用答案也是TensorFlow的正确答案。

在TensorFlow中使用批量归一化和辍学时（特别是使用contrib.layers），我需要担心订购吗？

如果我在退出后立即使用批处理规范化，则可能会出现问题。例如，如果批次归一化训练中的偏移量训练输出的比例尺数字较大，但随后将相同的偏移量应用于较小的比例尺数字（由于补偿了具有更多输出量）的比例尺数字，而在测试过程中没有丢失，则轮班可能关闭。 TensorFlow批处理规范化层会自动对此进行补偿吗？还是由于某种原因我不会想念这件事吗？

另外，将两者一起使用时还有其他陷阱吗？例如，假设我使用他们以正确的顺序在关于上述（假设有一个正确的顺序），可以存在与使用分批正常化和漏失在多个连续层烦恼？我没有立即看到问题，但是我可能会丢失一些东西。

非常感谢！

更新：

实验测试似乎表明排序确实很重要。我在相同的网络上运行了两次，但批次标准和退出均相反。当辍学在批处理规范之前时，验证损失似乎会随着培训损失的减少而增加。在另一种情况下，它们都下降了。但就我而言，运动缓慢，因此在接受更多培训后情况可能会发生变化，这只是一次测试。一个更加明确和明智的答案仍然会受到赞赏。

参考资料：

Stack Overflow

NaN-aN-aN aN:aN:aN 更新

Alva Tennyson• 693

共 6 个回答

高赞时间活跃

正如评论中所指出的，这里是阅读层顺序的绝佳资源。我已经浏览了评论，这是我在互联网上找到的主题的最佳资源

我的2美分：

辍学是指完全阻止某些神经元发出的信息，以确保神经元不共适应。因此，批处理规范化必须在退出之后进行，否则您将通过规范化统计信息传递信息。

如果考虑一下，在典型的机器学习问题中，这就是我们不计算整个数据的均值和标准差，然后将其分为训练，测试和验证集的原因。我们拆分并计算训练集上的统计信息，并使用它们对验证和测试数据集进行归一化和居中

所以我建议方案1（这考虑了伪马文对已接受答案的评论）

-> CONV / FC-> ReLu（或其他激活）->退出-> BatchNorm-> CONV / FC

与方案2相反

-> CONV / FC-> BatchNorm-> ReLu（或其他激活）->退出-> CONV / FC->接受的答案

请注意，这意味着与方案1下的网络相比，方案2下的网络应显示出过拟合的状态，但是OP进行了上述测试，并且它们支持方案2

NaN-aN-aN aN:aN:aN 更新

笪高达• 676

在《 Ioffe and Szegedy 2015》中，作者指出“我们希望确保对于任何参数值，网络始终以期望的分布产生激活”。因此，批处理规范化层实际上是在转换层/完全连接层之后，但在馈入ReLu（或任何其他种类的）激活之前插入的。有关详情，请在53分钟左右观看此视频。

就辍学而言，我相信辍学是在激活层之后应用的。在丢弃纸图3b中，将隐藏层l的丢弃因子/概率矩阵r（l）应用于y（l），其中y（l）是应用激活函数f之后的结果。

因此，总而言之，使用批处理规范化和退出的顺序为：

-> CONV / FC-> BatchNorm-> ReLu（或其他激活）->退出-> CONV / FC->

NaN-aN-aN aN:aN:aN 更新

Carl Agnes• 706

为了获得更好的性能，基于研究论文，我们应该在应用Dropouts之前使用BN

NaN-aN-aN aN:aN:aN 更新

伯芦• 661

我找到了一篇论文，解释了Dropout和Batch Norm之间的不和谐。关键思想是他们所谓的“方差转移” 。这是因为，辍学在训练和测试阶段之间的行为有所不同，这改变了BN学习的输入统计数据。主要思想可以在此图中找到，该图取自论文： https : //arxiv.org/abs/1801.05134 在此处输入图片说明